La predicción precisa del tiempo de viaje es de gran valor para los transportes de carga, ya que permite a los participantes de la cadena de suministro aumentar su calidad y eficiencia logística. Requiere tanto datos de entrada suficientes, que pueden generarse, por ejemplo, mediante sensores móviles, como métodos de predicción adecuados. Los algoritmos de Aprendizaje Automático (ML) son muy adecuados para resolver relaciones no lineales y complejas en los datos de seguimiento recopilados. A pesar de eso, solo una minoría de las publicaciones recientes utiliza ML para la predicción del tiempo de viaje en transportes multimodales. Aplicamos los algoritmos de ML árboles extremadamente aleatorizados (ExtraTrees), aumento adaptativo (AdaBoost) y regresión de vectores de soporte (SVR) a este problema debido a su capacidad para manejar bajos volúmenes de datos y sus bajos tiempos de procesamiento. Usando diferentes combinaciones de características derivadas de los datos, hemos construido varios modelos para la predicción del tiempo de viaje. Se utilizan datos de seguimiento de una relación de transporte multimodal de contenedores del mundo real desde Alemania hasta EE. UU. para la evaluación de los modelos establecidos. Mostramos que SVR proporciona la mejor precisión de predicción, con un error absoluto medio de 17 horas para un tiempo de transporte de hasta 30 días. También mostramos que nuestro modelo tiene un mejor rendimiento que los enfoques basados en promedios.